Os pesquisadores da Faculdade de Medicina da UC San Diego desenvolveram uma rede neural visível e a usaram para construir o DCell, um modelo virtual de uma célula de levedura de cerveja em funcionamento.

"Parece que toda vez que você se vira, alguém está falando sobre a importância da inteligência artificial e do aprendizado de máquina, "disse Trey Ideker, PhD, Professor da Escola de Medicina de San Diego da Universidade da Califórnia e do Moores Cancer Center. “Mas todos esses sistemas são chamados de 'caixas pretas'. Eles podem ser muito preditivos, mas não sabemos muito sobre como eles funcionam. "

O Ideker dá um exemplo:os sistemas de aprendizado de máquina podem analisar o comportamento online de milhões de pessoas para sinalizar um indivíduo como um potencial "terrorista" ou "risco de suicídio". "Ainda não temos ideia de como a máquina chegou a essa conclusão, " ele disse.

Para que o aprendizado de máquina seja útil e confiável na área de saúde, Ideker disse, os profissionais precisam abrir a caixa preta e entender como um sistema chega a uma decisão.

Os sistemas de aprendizado de máquina são construídos em camadas de neurônios artificiais, conhecida como rede neural. As camadas são unidas por conexões aparentemente aleatórias entre neurônios. Os sistemas "aprendem" ajustando essas conexões.

A equipe de pesquisa do Ideker desenvolveu recentemente o que eles chamam de rede neural "visível" e a usou para construir DCell, um modelo de célula de levedura de cerveja em funcionamento, comumente usado como modelo em pesquisa básica. Para fazer isso, eles acumularam todo o conhecimento da biologia celular em um só lugar e criaram uma hierarquia desses componentes celulares. Em seguida, eles mapearam algoritmos de aprendizado de máquina padrão para essa base de conhecimento.

DCell pode ser visualizado em d-cell.ucsd.edu. Os detalhes técnicos são publicados em 5 de março em Métodos da Natureza .

Mas o que mais entusiasma Ideker é que DCell não é uma caixa preta; as conexões não são um mistério e não podem se formar por acaso. Em vez de, o "aprendizado" é guiado apenas por comportamentos celulares do mundo real e restrições codificadas a partir de aproximadamente 2, 500 componentes celulares conhecidos. A equipe insere informações sobre genes e mutações genéticas e DCell prevê comportamentos celulares, como o crescimento. Eles treinaram o DCell em vários milhões de genótipos e descobriram que a célula virtual pode simular o crescimento celular quase com a mesma precisão que uma célula real cultivada em laboratório.

"O conhecimento humano é incompleto, "disse Jianzhu Ma, PhD, um cientista assistente de pesquisa no laboratório de Ideker que liderou os esforços para construir o DCell. "Queremos completar esse conhecimento para ajudar a orientar as previsões, na saúde e em outros lugares. "

Ideker e Ma também testaram o DCell. Se eles deliberadamente alimentassem o sistema com informações falsas, não funcionaria. Pegue os ribossomos, por exemplo. As células usam essas minúsculas máquinas biológicas para traduzir informações genéticas em proteínas. Mas se os pesquisadores, em vez disso, conectassem os ribossomos a um processo não relacionado como a apoptose, um sistema que as células usam para cometer suicídio, DCell não podia mais prever o crescimento celular. A célula virtual "sabe" que o novo arranjo não é biologicamente possível.

Ideker e seus colegas da Cancer Cell Map Initiative, que ele co-dirige, agora estão gerando alguns dos dados experimentais de que precisam para construir um DCell para o câncer humano. Em seguida, eles determinarão a melhor forma de personalizar essa abordagem de célula virtual para a biologia exclusiva de um paciente.

"Queremos um dia poder inserir suas mutações genéticas específicas relacionadas ao câncer e obter uma leitura sobre o quão agressivo é o seu câncer, e a melhor abordagem terapêutica para prevenir seu crescimento e metástase, "disse Ideker, que também é fundador do Centro de Biologia Computacional e Bioinformática da UC San Diego.